Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Scale-Covariant and Scale-Invariant Gaussian Derivative Networks Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Invertible Neural Networks Versus MCMC for Posterior Reconstruction in Grazing Incidence X-Ray Fluorescence

verfasst von : Anna Andrle, Nando Farchmin, Paul Hagemann, Sebastian Heidenreich, Victor Soltwisch, Gabriele Steidl

Erschienen in: Scale Space and Variational Methods in Computer Vision

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Grazing incidence X-ray fluorescence is a non-destructive technique for analyzing the geometry and compositional parameters of nanostructures appearing e.g. in computer chips. In this paper, we propose to reconstruct the posterior parameter distribution given a noisy measurement generated by the forward model by an appropriately learned invertible neural network. This network resembles the transport map from a reference distribution to the posterior. We demonstrate by numerical comparisons that our method can compete with established Markov Chain Monte Carlo approaches, while being more efficient and flexible in applications.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Phase Retrieval via Polarization in Dynamical Sampling
Nächstes Kapitel Adversarially Learned Iterative Reconstruction for Imaging Inverse Problems
Fußnoten
Literatur
1.
Andrieu, C., de Freitas, N., Doucet, A., Jordan, M.I.: An introduction to MCMC for machine learning. Mach. Learn. 50, 5–43 (2003)CrossRef
2.
Andrle, A., et al.: Grazing incidence x-ray fluorescence based characterization of nanostructures for element sensitive profile reconstruction. In: Modeling Aspects in Optical Metrology VII, vol. 11057, p. 110570M. International Society for Optics and Photonics (2019)
3.
Ardizzone, L., Kruse, J., Rother, C., Köthe, U.: Analyzing inverse problems with invertible neural networks. In: 7th International Conference on Learning Representations, ICLR 2019, New Orleans, LA, USA, (2019)
4.
Dinh, L., Sohl-Dickstein, J., Bengio, S.: Density estimation using real NVP. In: 5th International Conference on Learning Representations, ICLR 2017, Toulon, France, April 24–26, 2017, Conference Track Proceedings (2017)
5.
Foreman-Mackey, D., Hogg, D.W., Lang, D., Goodman, J.: EMCEE: the MCMC hammer. Publ. Astron. Soc. Pacific 125(925), 306–312 (2013)CrossRef
6.
Hagemann, P.L., Neumayer, S.: Stabilizing invertible neural networks using mixture models. Inverse Problems (2021)
7.
Henn, M.-A., Gross, H., Heidenreich, S., Scholze, F., Elster, C., Bär, M.: Improved reconstruction of critical dimensions in extreme ultraviolet scatterometry by modeling systematic errors. Meas. Sci. Technol. 25(4), 044003/1–9 (2014)
8.
Hönicke, P., et al.: Grazing incidence-x-ray fluorescence for a dimensional and compositional characterization of well-ordered 2D and 3D nanostructures. Nanotechnology 31(50), 505709/1–8 (2020)
9.
Kingma, D.P., Ba, J.: Adam: a method for stochastic optimization. In: Bengio, Y., LeCun, Y. (eds.) 3rd International Conference on Learning Representations, ICLR 2015, San Diego, CA, USA, May 7–9, 2015, Conference Track Proceedings (2015)
10.
Kruse, J., Detommaso, G., Scheichl, R., Köthe, U.: HINT: hierarchical invertible neural transport for density estimation and Bayesian inference. arXiv preprint arXiv:​1905.​10687 (2020)
11.
Mack, C.: Fundamental principles of optical lithography: the science of microfabrication. John Wiley & Sons (2008)
12.
Marzouk, Y., Moselhy, T., Parno, M., Spantini, A.: Sampling via measure transport: an introduction. Handbook of Uncertainty Quantification, pp. 1–41 (2016)
13.
Pomplun, J., Burger, S., Zschiedrich, L., Schmidt, F.: Adaptive finite element method for simulation of optical nano structures. Phys. Status Solidi (B) 244(10), 3419–3434 (2007)CrossRef
14.
Rizzuti, G., Siahkoohi, A., Witte, P., Herrmann, F.: Parameterizing uncertainty by deep invertible networks: an application to reservoir characterization. SEG Tech. Program Expanded Abs. 2020, 1541–1545 (2020)
15.
Rudin., W.: Real Analysis. McGraw-Hill, 3rd edition (1987)
16.
Siahkoohi, A., Rizzuti, G., Louboutin, M., Witte, P., Herrmann, F.J.: Preconditioned training of normalizing flows for variational inference in inverse problems. In: 3rd Symposium on Advances in Approximate Bayesian Inference (2021)
17.
Soltwisch, V., et al.: Element sensitive reconstruction of nanostructured surfaces with finite elements and grazing incidence soft x-ray fluorescence. Nanoscale 10(13), 6177–6185 (2018)CrossRef
Metadaten
Titel
Invertible Neural Networks Versus MCMC for Posterior Reconstruction in Grazing Incidence X-Ray Fluorescence
verfasst von
Anna Andrle
Nando Farchmin
Paul Hagemann
Sebastian Heidenreich
Victor Soltwisch
Gabriele Steidl
Copyright-Jahr
2021
Buch
Scale Space and Variational Methods in Computer Vision

Print ISBN: 978-3-030-75548-5

Electronic ISBN: 978-3-030-75549-2

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-75549-2_42